Цейнер

Цейнер
Оригинальный автор(ы)	Сейя Токуи
Разработчик(и)	Сообщество, Preferred Networks, Inc.
Первоначальный выпуск	9 июня 2015 г .; 9 лет назад .
Стабильная версия	7.8.1 / 5 января 2022 г .; 2 года назад
Репозиторий	github .с /цепьщик /цепьщик ;
Написано в	Питон
Платформа	кроссплатформенный
Доступно в	Питон
Тип	глубокого обучения Библиотека
Лицензия	С
Веб-сайт	цепщик .org

Chainer — это с открытым исходным кодом платформа глубокого обучения , написанная исключительно на Python поверх NumPy и CuPy библиотек Python . Разработку возглавляет японская венчурная компания Preferred Networks в партнерстве с IBM , Intel , Microsoft и Nvidia . ^[4]^[5]^[6]^[7]

Chainer известен своим ранним внедрением схемы « определение за запуском », а также своей производительностью в крупномасштабных системах. ^[1] Первая версия была выпущена в июне 2015 года и с тех пор приобрела большую популярность в Японии. ^[1]^[2] включил его Кроме того, в 2017 году KDnuggets в десятку лучших проектов Python по машинному обучению с открытым исходным кодом. ^[8]

В декабре 2019 года Preferred Networks объявила о переходе своих усилий по разработке с Chainer на PyTorch и будет предоставлять исправления для обслуживания только после выпуска v7. ^[9]

Определить по ходу

Chainer был первой средой глубокого обучения, в которой был реализован поэтапный подход. ^[10]^[11] Традиционная процедура обучения сети состояла из двух этапов: определить фиксированные связи между математическими операциями (такими как умножение матриц и нелинейные активации) в сети, а затем запустить фактический расчет обучения. Это называется подходом «определи и запусти» или методом статического графа. Theano и TensorFlow входят в число известных фреймворков, применивших этот подход. Напротив, при подходе «определение по запуску» или динамическом графе соединение в сети не определяется при запуске обучения. Сеть определяется во время обучения по мере выполнения фактического расчета.

Одним из преимуществ этого подхода является то, что он интуитивно понятен и гибок. ^[12] Если в сети имеются сложные потоки управления, такие как условные выражения и циклы , в подходе «определи и запусти» необходимы специально разработанные операции для таких конструкций. С другой стороны, в подходе «определение путем выполнения» для описания такого потока можно использовать собственные конструкции языка программирования, такие как операторы if и циклы for. Такая гибкость особенно полезна для реализации рекуррентных нейронных сетей . ^[13]^[14]

Еще одним преимуществом является простота отладки . ^[12] При подходе «определи и запусти», если в процессе обучающего расчета возникла ошибка (например, числовая ошибка), часто бывает трудно проверить неисправность, поскольку код, написанный для определения сети, и фактическое место ошибки не совпадают. разделены. При подходе «определение за запуском» вы можете просто приостановить вычисления с помощью встроенного в язык отладчика и проверить данные, которые передаются по вашему сетевому коду.

Метод Define-by-run приобрел популярность с момента его появления в Chainer и теперь реализован во многих других платформах, включая PyTorch. ^[15] и ТензорФлоу. ^[12]

Библиотеки расширений

Chainer имеет четыре библиотеки расширений: ChainerMN, ChainerRL, ChainerCV и ChainerUI. ChainerMN позволяет использовать Chainer на нескольких графических процессорах, обеспечивая значительно более высокую производительность, чем другие платформы глубокого обучения. ^[1] Суперкомпьютер под управлением Chainer на 1024 графических процессорах обработал 90 эпох набора данных ImageNet в сети ResNet-50 за 15 минут, что в четыре раза быстрее предыдущего рекорда Facebook. ^[16]^[17] ChainerRL добавляет современные алгоритмы глубокого обучения с подкреплением , а ChainerUI — это инструмент управления и визуализации.

Приложения

Chainer используется в качестве основы для PaintsChainer , сервиса, который выполняет автоматическую раскраску черно-белых, только линий и черновых рисунков с минимальным вмешательством пользователя. ^[18]^[19]

См. также

Ссылки

^ Jump up to: ^а ^б ^с ^д «Крупный в Японии код искусственного интеллекта Chainer показывает, как Intel будет бороться за графические процессоры» . Регистр . 07.04.2017 . Проверено 24 декабря 2017 г.
^ Jump up to: ^а ^б «Выпущена платформа глубокого обучения Chainer» (на японском языке) Проверено 24 декабря 2017 г.
^ «Выпуск 7.8.1» . 5 января 2022 г. Проверено 3 октября 2022 г.
^ «Домашняя страница цепочки» . Проверено 24 декабря 2017 г.
^ «IBM хочет быть «красной шляпой» глубокого обучения» . HPCwire . 26 января 2017 г. Проверено 8 сентября 2017 г.
^ «Intel сотрудничает с предпочтительными сетями в Японии в области глубокого обучения» . 06.04.2017 . Проверено 24 декабря 2017 г.
^ «Microsoft сотрудничает с Preferred Networks, чтобы внедрить технологию глубокого обучения Chainer в Azure — MSPoweruser» . MSPoweruser . 23 мая 2017 г. Проверено 8 сентября 2017 г.
^ «20 лучших проектов машинного обучения Python с открытым исходным кодом» . КДнаггетс . 2017-11-24.
^ «Preferred Networks переносит свою исследовательскую платформу глубокого обучения на PyTorch» . Предпочтительные сети, Inc. 05.12.2019 . Проверено 27 декабря 2019 г.
^ Токуи, Сейя; и др. (2015). «Chainer: платформа с открытым исходным кодом нового поколения для глубокого обучения». 29-я ежегодная конференция по нейронным системам обработки информации (NIPS) . 5 .
^ Симада, Наоки (14 сентября 2017 г.). Глубокое обучение с Chainer . Гидзюцу-Хёрон. п. 61. ИСБН 4774191868 .
^ Jump up to: ^а ^б ^с «Стремительное выполнение: императивный, настраиваемый интерфейс для TensorFlow» . Блог исследований Google .
^ «Глубокое обучение с помощью динамических вычислительных графиков (ICLR 2017)» . Метаданные .
^ Хидо, Сёхей (8 ноября 2016 г.). «Сложные нейронные сети стали проще благодаря Chainer» . О'Рейли Медиа . Проверено 26 июня 2018 г.
^ Перес, Карлос Э. (20 января 2017 г.). «PyTorch, динамические вычислительные графики и модульное глубокое обучение» . Середина .
^ «Чрезвычайно большой мини-пакет SGD: обучение ResNet-50 на ImageNet за 15 минут» (pdf) . Проверено 24 декабря 2017 г.
^ Грин, Тристан (20 ноября 2017 г.). «Ботаники Facebook превзошли японцев в гонке по обучению искусственного интеллекта» . Следующая сеть . Проверено 24 ноября 2017 г.
^ Знай, теперь ты (15 февраля 2017 г.). «Это программное обеспечение на основе нейронных сетей бесплатно добавит цвет к вашим рисункам» . Технологично . Проверено 8 сентября 2017 г.
^ «Приложение для рисования «pixiv Sketch» и сервис автоматической раскраски PaintsChainer совместно создают новую функцию автоматического раскрашивания иллюстраций!» . 24 мая 2017 г. Проверено 24 декабря 2017 г.

Внешние ссылки

Официальный сайт

[:0-1] Jump up to: ^а ^б ^с ^д «Крупный в Японии код искусственного интеллекта Chainer показывает, как Intel будет бороться за графические процессоры» . Регистр . 07.04.2017 . Проверено 24 декабря 2017 г.

[:1-2] Jump up to: ^а ^б «Выпущена платформа глубокого обучения Chainer» (на японском языке) Проверено 24 декабря 2017 г.

[wikidata-4fb01d069599e3a2503f27580bfe98462afedae5-v13-3] «Выпуск 7.8.1» . 5 января 2022 г. Проверено 3 октября 2022 г.

[4] «Домашняя страница цепочки» . Проверено 24 декабря 2017 г.

[5] «IBM хочет быть «красной шляпой» глубокого обучения» . HPCwire . 26 января 2017 г. Проверено 8 сентября 2017 г.

[6] «Intel сотрудничает с предпочтительными сетями в Японии в области глубокого обучения» . 06.04.2017 . Проверено 24 декабря 2017 г.

[7] «Microsoft сотрудничает с Preferred Networks, чтобы внедрить технологию глубокого обучения Chainer в Azure — MSPoweruser» . MSPoweruser . 23 мая 2017 г. Проверено 8 сентября 2017 г.

[8] «20 лучших проектов машинного обучения Python с открытым исходным кодом» . КДнаггетс . 2017-11-24.

[9] «Preferred Networks переносит свою исследовательскую платформу глубокого обучения на PyTorch» . Предпочтительные сети, Inc. 05.12.2019 . Проверено 27 декабря 2019 г.

[10] Токуи, Сейя; и др. (2015). «Chainer: платформа с открытым исходным кодом нового поколения для глубокого обучения». 29-я ежегодная конференция по нейронным системам обработки информации (NIPS) . 5 .

[11] Симада, Наоки (14 сентября 2017 г.). Глубокое обучение с Chainer . Гидзюцу-Хёрон. п. 61. ИСБН 4774191868 .

[ResBlog-12] Jump up to: ^а ^б ^с «Стремительное выполнение: императивный, настраиваемый интерфейс для TensorFlow» . Блог исследований Google .

[13] «Глубокое обучение с помощью динамических вычислительных графиков (ICLR 2017)» . Метаданные .

[14] Хидо, Сёхей (8 ноября 2016 г.). «Сложные нейронные сети стали проще благодаря Chainer» . О'Рейли Медиа . Проверено 26 июня 2018 г.

[15] Перес, Карлос Э. (20 января 2017 г.). «PyTorch, динамические вычислительные графики и модульное глубокое обучение» . Середина .

[15min-1-16] «Чрезвычайно большой мини-пакет SGD: обучение ResNet-50 на ImageNet за 15 минут» (pdf) . Проверено 24 декабря 2017 г.

[15min-2-17] Грин, Тристан (20 ноября 2017 г.). «Ботаники Facebook превзошли японцев в гонке по обучению искусственного интеллекта» . Следующая сеть . Проверено 24 ноября 2017 г.

[18] Знай, теперь ты (15 февраля 2017 г.). «Это программное обеспечение на основе нейронных сетей бесплатно добавит цвет к вашим рисункам» . Технологично . Проверено 8 сентября 2017 г.

[19] «Приложение для рисования «pixiv Sketch» и сервис автоматической раскраски PaintsChainer совместно создают новую функцию автоматического раскрашивания иллюстраций!» . 24 мая 2017 г. Проверено 24 декабря 2017 г.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

v т и Программное обеспечение для глубокого обучения
Сравнение
Открытый исходный код	Апач MXNet Апач ЛЕВ Кафе Глубокое обучение4j ДипСпид Длиб Жесткий Когнитивный инструментарий Microsoft ML.NET ОпенНН PyTorch Тензорфлоу Теано Факел ОННКС ОпенВИНО РазумСпора
Собственный	Apple Core ML IBM Ватсон Нейронный дизайнер Вольфрам Математика MATLAB Панель инструментов глубокого обучения
Категория